É difícil de acreditar agora, mas houve um tempo em que as pessoas só coletavam dados se fosse absolutamente necessário. As imagens estereotipadas do escritório dos anos 70, com fileiras de arquivos e fichários, revelavam uma atitude muito diferente em relação aos dados. Você manteve o que absolutamente e positivamente sabia que precisaria consultar – e nada mais.
Naquela época, qualquer coisa além dos dados principais de uma empresa era considerada desperdício comercial. Os dados eram um subproduto, não um ativo. Isso foi em grande parte impulsionado pela tecnologia. Mesmo quando passamos do papel para o online, o armazenamento digital era lento, caro e difícil de explorar e analisar. Mesmo que os dados fossem salvos, muitas vezes eram vistos como somente gravação, salvos, mas nunca mencionados. Os dados eram um risco – caro para armazenar e até potencialmente perigoso.
No entanto, à medida que a tecnologia avançava e as técnicas de análise se desenvolviam, as coisas mudaram. Nas últimas décadas, houve uma mudança contínua na forma como vemos os dados que geramos e coletamos. De esgotamento de negócios, evoluiu rapidamente para um ativo central de marketing e negócios – o novo petróleo, como nos disseram muitas vezes.
Seus clientes pesquisam em qualquer lugar. Certifique-se de que sua marca aparece.
O kit de ferramentas de SEO que você conhece, além dos dados de visibilidade de IA de que você precisa.
Comece o teste gratuito
Comece com
Como os dados se tornaram o centro do marketing
Esta mudança levou as empresas a repensar quais os dados que recolhem e porquê. Mesmo que você não soubesse como usá-lo, tornou-se imperativo armazenar todos os dados — mesmo os dados transacionais de menor granularidade. As tecnologias e técnicas de gestão de dados evoluíram de modo que surgiram lagos de dados, pools e oceanos, e todos os dados estavam agora limpos e disponíveis para análise. Em teoria, pelo menos.
À medida que nossas capacidades analíticas e de ciência de dados se desenvolveram, deixamos de ser descritivos (“O que o cliente comprou?”) e passamos a ser preditivos (“O que ele provavelmente comprará em seguida?”). Este tipo de conhecimento é extremamente valioso para uma empresa, permitindo-nos evoluir as nossas ofertas e negócios para responder às exigências dos consumidores e otimizar o desempenho.
Mas ainda havia outro passo a dar: passar do preditivo ao prescritivo. Esta etapa vai além de dizer o que o cliente provavelmente fará a seguir e, em vez disso, diz o que devemos fazer a seguir. Começaram a surgir sistemas que nos deram a próxima melhor ação – o que deveríamos realmente fazer. Na maior parte, isto tinha um alcance relativamente limitado (ou seja, que oferta oferecer a seguir ou que desconto aplicar), mas mesmo assim proporcionou-nos uma forma poderosa de nos adaptarmos às exigências em constante mudança dos clientes e do mercado. Tudo com base nos dados que estamos coletando.
Tudo o que foi dito acima depende de tratarmos os dados como o ativo ao qual retornamos. O objetivo das análises mais avançadas – sejam elas descritivas, preditivas ou prescritivas – é fornecer-nos uma visão melhor dos dados que temos e do que isso significa para o nosso negócio.
Por que os modelos de IA mudam o papel dos dados
Agora nos vemos em mais uma grande mudança tecnológica, à medida que os LLMs e outras tecnologias relacionadas à IA mudam radicalmente a forma como trabalhamos. Pode ser tentador considerar estas novas abordagens e tecnologias apenas como formas melhores de trabalhar com os dados que temos – e de certa forma, são. No entanto, se você voltar atrás e perguntar qual o papel que os dados desempenham nessas tecnologias, verá que é muito mais radical do que apenas novas ferramentas interessantes.
Para entender isso, precisamos olhar um pouco por baixo do capô. A maioria dos LLMs modernos são construídos em uma arquitetura chamada transformadores. Eles pegam sua entrada de texto e a processam usando bilhões de parâmetros (regras matemáticas) aprendidos a partir de uma enorme dieta inicial de dados. A maneira como eles armazenam esse conhecimento pode ser comparada de forma simplista à compactação de arquivos.
O texto “Qual é a capital da França?” gera “Paris” com sucesso não porque o modelo tenha um mecanismo de pesquisa dentro dele, mas porque seus parâmetros atuam efetivamente como uma recuperação compactada e com perdas de todo o conjunto de treinamento original. Embora imperfeita, esta analogia é útil. Como disse o autor de ficção científica Ted Chiang, um LLM é como um “JPEG borrado da web”.
A implicação é que, uma vez treinado, um modelo contém todo o conhecimento que irá reter (em vários níveis de fidelidade). Quando usamos um modelo, não vamos à fonte, mas a um instantâneo imperfeito dela. Se você pensar na analogia borrada do JPEG, nosso desafio é complementar o modelo com a imagem nítida e de alta definição do nosso negócio, que vem de nossos próprios dados proprietários.
Como a amplitude dos modelos básicos atuais é agora tão profunda, eles são excelentes na parte prescritiva do fluxo de trabalho, não apenas analisando, mas dizendo o que faremos a seguir. Juntamente com seu próprio ativo de dados, você agora tem a capacidade pela qual estamos trabalhando: passar diretamente dos dados à ação.
O que essa mudança significa para sua estratégia de dados
Uma tecnologia que ajuda a impulsionar essa mudança na forma como usamos os dados é o Model Context Protocol (MCP) — uma forma padronizada de expor nossos dados proprietários aos modelos — tornando-se efetivamente o adaptador universal que permite que os modelos leiam seu banco de dados ativo sem engoli-lo permanentemente em sua memória embaçada. O MCP ainda está na sua infância e provavelmente não será a forma final de como os dados e os modelos interagem, mas mostra como se está a tornar necessário repensar o papel do nosso ativo de dados.
Isso significa que agora precisamos repensar o papel dos nossos dados. Se o objetivo principal dos nossos dados for treinar ou complementar um modelo, isso altera o que coletamos e quando? Isso muda seu valor e papel em nosso cenário de marketing e negócios?
O desafio atual para qualquer pessoa que recolha dados empresariais, que certamente somos todos nós, é como mudar o nosso pensamento para reconhecer que os dados já não são o ativo central? As empresas que repensarem radicalmente o papel dos seus ativos de dados prosperarão neste novo ecossistema.
Principais conclusões
- Os dados deixaram de ser um ativo armazenado para se tornarem algo que alimenta e molda decisões baseadas em IA.
- A evolução da análise descritiva para a preditiva e para a prescritiva preparou o terreno para os fluxos de trabalho de IA atuais.
- Grandes modelos de linguagem não recuperam dados em tempo real; eles dependem de conhecimento compactado que deve ser complementado com dados proprietários.
- A verdadeira vantagem agora vem da combinação de modelos básicos com dados específicos de negócios de alta qualidade.
- Os profissionais de marketing precisam repensar a estratégia de dados, desde a coleta de tudo até tornar os dados utilizáveis para modelos e tomadas de decisão em tempo real
Lista gerada por IA
Fonte ==> Istoé
